1پژوهش حاضر باهدف تدوین و اعتباریابی بسته آموزشی درس دین و زندگی پایه دهم مبتنی بر تئوری انتخاب انجام شد. روش پژوهش برای مرحله طراحی و تدوین بسته آموزشی، روش توصیفی – تحلیلی با رویکرد سنتزپژوهی آمیخته بود. مضامین اصلی بسته آموزشی و زمان موردنیاز برای آموزش برگرفته از منابع کتبی همچون الگوی مدارس گیلانت گرمار و مقالات و طرح های پژوهشی داخلی و خارجی بود. برای روایی یابی بسته، ضمن استفاده از روش روایی صوری، از روش روایی محتوایی به شیوه کیفی و کمی با پانل خبرگان 14 نفری  استفاده شد. 14 نفر از متخصصان به عنوان جامعه آماری در نظر گرفته شد که 10 نفر در حوزه روان شناسی و دو نفر در حوزه برنامه ریزی درسی و دو نفر هم در حوزه تعلیم وتربیت بودند و از دو ضریب نسبی روایی محتوا و شاخص روایی محتوا استفاده شد. حداقل و حداکثر میزان ضریب نسبی روایی محتوا برای هر آیتم بسته .71/0 و 1 محاسبه شد و میزان شاخص روایی محتوا در عمده جلسات به سمت عدد (85/0)برای تمامی هدف ها در پروتکل آموزشی به دست آمد. نتایج نشان داد بسته آموزشی درس دین و زندگی مبتنی بر تئوری انتخاب برای دانش آموزان پایه دهم از روایی صوری و محتوایی مناسبی بهره مند است و روایی لازم را برای کاربردهای آموزشی و استفاده پژوهشی دارد.

تحلیل و فهم تصاویر پزشکی، از لحاظ کلینیکی برای تشخیص بیماریها و درمان، همچنین در بینایی ماشین و تشخیص الگو دارای اهمیت است. یکی از مهمترین مباحث در این زمینه، تشخیص مرز اشیاست که غالبا پایه ای برای پردازشهای بعدی همچون تشخیص عضو و بافت، بخش بندی تصویر، تحلیل حرکت، اندازه گیری پارامترهای فیزیولوژیکی و آناتومیکال و غیره است. گرچه یکی از بهترین روشهای تشخیص لبه استفاده از تبدیل ویولت است، اما تبدیل ویولت معمولی از نقایصی نیز برخوردار است. ازجمله نقاط ضعف این تبدیل وابستگی آن به شیفت ورودی و ضعف در تشخیص جهت های صحیح در زیرباندهای حاصله در حالت چند بعدی است. تبدیل ویولت مختلط، با استفاده از ویولت مادرمختلط، بر این نقاط ضعف غلبه کرده و در عین حال افزونگی و میزان محاسبات در این تبدیل قابل قبول است. این تبدیل به خصوص برای حالتهای چند بعدی و برای پردازشهای با دقت بالا از جمله پردازش تصاویر پزشکی، مفید است. در این مقاله پس از اشاره به نقاط ضعف تبدیل ویولت معمولی و معرفی تبدیل ویولت مختلط گسسته و مقایسه خصوصیات این دو تبدیل، از تبدیل ویولت مختلط گسسته برای بهینه سازی تصویر و تشخیص لبه تصاویر نویزی، استفاده شده است. نتایج شبیه سازیها حاکی از سادگی وکیفیت بالای روش مطرح شده در این مقاله نسبت به دیگر روشها در حوزه ویولت معمولی و یا حوزه تصویر به ویژه برای حالات نویزی است.

ویولتها قادر هستند که یک تابع را در دقتهای مختلف تقریب بزنند. این خاصیت آنها را برای مدل سازی و تقریب سیستمهای غیر خطی مناسب ساخته است. برای بدست آوردن یک تقریب مناسب محاسبه پارامترهای توابع پایه ویولت از اهمیت زیادی برخوردار است. برای محاسبه پارامترهای توابع پایه ویولت روشهای متعددی از جمله روشهای بر مبنای شبکه های عصبی (ویونت) بکار برده شده است. در این مقاله روش جدیدی بر اساس اتوماتای یادگیر برای محاسبه پارامترهای ویولت ارائه گردیده است. روش پیشنهادی از قدرت تصمیم گیری و جستجوی اتوماتای یادگیر استفاده کرده و در هر مرحله با اضافه کردن ویولت جدید به تقریب قبلی و حذف ویولتهایی که به کاهش خطا کمکی نمی کنند سعی در کاهش خطا می نماید. روشهای پیشنهادی بر خلاف روش یادگیری L2 که نیاز به محاسبات بسیار بالائی(از جمله معکوس کردن یک ماتریس با ابعاد بالا برای تعداد زیاد نمونه ها) از محاسبات کمتر و بسیار ساده تری برخوردار است. همچنین بر خلاف برخی روشهای بر پایه شبکه های عصبی که دارای ساختار ثابتی هستند دارای ساختاری پویا می باشد یعنی تعداد توابع پایه از قبل مشخص نمیگردد بلکه در حین فرایند تقریب تعیین میشود. روش پیشنهادی برروی مسائل متنوعی آزمایش شده است و نتایج بسیار خوبی بدست آمده است.

در این مقاله یک روش اصلاح یافته جهت شناسایی افراد براساس ویژگیهای عنبیه با استفاده از تبدیل ویولت معرفی می گردد. در این روش از نقاط عبور از صفر تبدیل ویولت برای استخراج ویژگیهای منحصر به فرد عنبیه استفاده می شود. پردازش شامل دو مرحله است. در مرحله اول اطلاعات سطوح خاکستری عنبیه بصورت سیگنالهای یک بعدی استخراج می گردند و نمایش عبور از صفر تبدیل ویولت آنها ایجاد می گردد. در مرحله دوم عمل مقایسه عنبیه های مشابه و متفاوت براساس ویژگیهای استخراج شده در مرحله قبل صورت می گیرد. در این روش از چند روش از چند سطح رزولوشن میانه تبدیل ویولت استفاده می گردد که از نظر محاسباتی مقرون به صرفه است و کمتر تحت تاثیر نویز قرار می گیرد. از نگاشت تصاویر عنبیه به مختصات قطبی بدون بعد دوگانه جهت جبران تغییرات اندازه عنبیه و مردمک در تصاویر که به دلیل تغییر فاصله صورت تا دوربین می آید استفاد می گردد. روش پیشنهاد شده بر روی تصاویر حقیقی در شرایط عادی و در حضور نویز آزمایش شده است. نتایج حاصل از آزمایشات نشان داد که الگوریتم پیشنهاد شده بدون خطا، قادر به طبقه بندی و شناسایی عنبیه های موجود در پایگاه داده های ما بوده است.

در این مقاله به شناسایی پیوسته پدیده تخلیه جزیی در کابلهای قدرت پرداخته شده است. مشکل اساسی در اندازه‏گیری تخلیه جزیی کوچک بودن سیگنال است، بطوریکه ممکن است سیگنال کاملاً با نویز آمیخته شده و این امکان شناسایی را دشوار می‏سازد. به همین جهت اساسی‏ترین اقدام در شناسایی سیگنال تخلیه جزیی استفاده از الگوریتمهای کاهش نویز است که امروزه به این منظور غالباً از روشهای مبتنی بر پردازش سیگنال دیجیتال استفاده می‏شود. در این مقاله از الگوریتم نویز‏زدایی مبتنی بر ویولت استفاده شده و در انتها نتایج حاصل از بکارگیری این الگوریتم با دو الگوریتم متداول دیگر (فیلتر پیش‏بین خطی و فیلترLMS) مقایسه شده است. برخی از ملاحظات اساسی در نویز‏زدایی به روش ویولت انتخاب مناسب سطوح تجزیه و ترکیب، تابع مادر، روش بسط سیگنال و روشهای تعیین مقادیر آستانه است که همگی به تفصیل مورد بحث قرار گرفته‏اند. به جهت اثبات کارایی الگوریتم از اطلاعات واقعی بدست آمده از آزمایشهای میدانی در یک شبکه کابلی 11 کیلو ولتی استفاده شده است .

ثبت خارج سلولی فعالیت تک نورون های مغزی به عنوان روشی پرطرفدار در تحقیقات حوزه علوم اعصاب و مهندسی توان بخشی عصبی شناخته می شود. این ثبت ها شامل فعالیت همه نورون های اطراف الکترود می شود که برای استفاده بهتر از آن ها باید با روش های طبقه بندی اسپایک به فعالیت تک نورون ها رسید. بر اساس ویژگی های ساختاری نورون مانند درخت دندریتی آن و فاصله و جهت ثابتی که نسبت به الکترود ثبت دارد می توان نتیجه گرفت که شکل اسپایک تولیدی آن منحصر به فرد و ثابت است. با این حال انجام طبقه بندی پتانسیل عمل ها در مقادیر نسبت سیگنال به نویز پایین همواره با چالش هایی همراه است. طبقه بندی اسپایک های نورونی معمولا شامل سه بخش آشکارسازی، استخراج ویژگی و طبقه بندی می شود. در این مقاله روشی بر مبنای بهینه سازی ضرایب ویولت پیوسته در مرحله استخراج ویژگی ها ارایه شد که در مقادیر نسبت سیگنال به نویز پایین نیز کارایی خوبی دارد. در روش پیشنهادی بعد از محاسبه ضرایب ویولت پارامتری شده، با استفاده از معیارهای فاصله اقلیدسی و سطح زیر منحنی مشخصه عملگر گیرنده درطبقه بندی دو گروه، بهترین پارامترها برای افزایش تفکیک پذیری ویژگی ها انتخاب می شوند به طوری که ابتدا مقیاس مناسب با معیار فاصله اقلیدسی پیدا شده و در نهایت انتقال زمانی با معیار دوم انتخاب می شود. در این پژوهش برای خوشه بندی از الگوریتم ساده و در عین حال کارآمد k-means استفاده شده است. برای بررسی و ارزیابی روش پیشنهادی از سه مجموعه داده شبیه سازی شده استفاده گردید که در نه حالت مختلف نسبت سیگنال به نویز و با مدل سازی نویز زمینه از نویز حقیقی ثبت شده تهیه شده بودند. نتایج بهدست آمده از مرتب سازی داده های شبیه سازی شده نشان داد که بهینه سازی پارامترهای تبدیل ویولت پیوسته با روش پیشنهادی می تواند در ارتقای کارایی طبقه بندی اسپایک ها نسبت به روش آنالیز اجزای اصلی موثر واقع شود.

شناسائی پارامتر میرائی در سازه ها در مقایسه با تخمین پارامترهای سختی و جرم بسیار مشکل تر است. دلیل آن اینست که مکانیزم های مختلفی باعث اتلاف انرژی در سازه های مکانیکی می شوند. این مکانیزم ها شامل اصطکاک بین مولکولی، اصطکاک خشک بین دو قسمت از سازه و میرائی لزج می باشد. تشریح جزئیات مکانیزم های اتلاف انرژی در سازه های مکانیکی با استفاده از ابزارهای ریاضی مشکل و در برخی موارد غیر ممکن است. از این رو به منظور فائق آمدن بر مشکلاتی که از نظر تحلیلی استفاده از مدل های میرائی مختلف به همراه دارند، معمولا میرائی لزج معادل در تحلیل های خطی مورد استفاده قرار می گیرد. ضریب میرائی لزج معادل را می توان با اندازه گیری پاسخ سازه به صورت تجربی بدست آورد. روش های مختلفی برای تعیین میرائی لزج با استفاده از داده های حوزه زمان (مانند روش کاهش لگاریتمی)، داده های حوزه فرکانس (مانند استفاده از نمودارهای پاسخ فرکانسی) و یا روش های زمان- فرکانس (مانند تبدیل ویولت) ارائه شده است. در این مقاله با استفاده از روش تبدیل ویولت به تعیین ضرائب میرائی و فرکانس های طبیعی مودهای مختلف یک سازه پرداخته شده است. مقادیر بدست آمده توسط روش تبدیل ویولت دارای خطای قابل قبولی در فرکانس های پائین در مقایسه با پارامترهای مودال حاصل از روش بهنگام سازی می باشند.

در این مقاله شیوه جدیدی جهت آشکارسازی لبه های تصاویر با استفاده از ترکیب تبدیل ویولت ایزوتروپیک و جهت دار ارایه می گردد. ابتدا با استفاده از تبدیل ویولت ایزوتروپیک جدایی پذیر، بردار گرادیان و جهت آن، که جهت لبه های احتمالی تصویر می باشد، محاسبه گشته و سپس در هر پیکسل، از تبدیل ویولت جهت دار، در همان جهت گرادیان محاسبه شده توسط آشکارسازی لبه مبتنی بر تبدیل ویولت ایزوتروپیک جدایی پذیر، استفاده کرده و لبه ها را با قابلیت اعتماد بالاتری نسبت به روش معمولی محاسبه می کنیم. روش پیشنهادی نسبت به روش معمولی آشکارسازی لبه ها با استفاده از تبدیـل ویولت، از قابلیت آشکارسازی بالاتری برخوردار می باشد و در مقایسه با روش های آشکارسازی لبه ها با استفاده از تبدیل ویولت جهت دار، که تا به حال پیشنهاد گردیده است، نیاز به محاسبات کمتری دارد.